A Coordinated Dual-Arm Framework for Delicate Snap-Fit Assemblies

📄 arXiv: 2511.18153v1 📥 PDF

作者: Shreyas Kumar, Barat S, Debojit Das, Yug Desai, Siddhi Jain, Rajesh Kumar, Harish J. Palanthandalam-Madapusi

分类: cs.RO, cs.LG

发布日期: 2025-11-22

备注: 10 pages, 9 figures

💡 一句话要点

提出SnapNet与双臂协调框架，解决精密卡扣装配中的力控与检测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 双臂机器人 卡扣装配 神经网络 力控制 阻抗控制 事件触发 精密装配

📋 核心要点

  1. 精密卡扣装配易因啮合检测不及时和力控不足导致组件损坏或装配失败。
  2. 提出SnapNet神经网络，仅利用关节速度信息即可实时检测卡扣啮合状态。
  3. 构建基于动力系统的双臂协调框架，结合SnapNet与事件触发阻抗调制实现精确装配。

📝 摘要（中文）

本文提出了一种用于精密卡扣装配的协调双臂框架，旨在解决诸如将镜片插入眼镜框或电子产品组装等任务中，及时检测啮合状态并快速衰减力以防止过冲引起的组件损坏或装配失败的问题。主要贡献包括：SnapNet，一个轻量级神经网络，能够从关节速度瞬态中实时检测卡扣啮合状态，表明仅使用本体感受信号即可实现可靠检测，无需外部传感器；以及一个基于动力系统的双臂协调框架，该框架集成了SnapNet驱动的检测与事件触发的阻抗调制，从而在精密卡扣装配过程中实现精确对准和柔顺插入。在异构双臂平台上对各种几何形状进行的实验表明，检测精度高（召回率超过96%），并且与标准阻抗控制相比，峰值冲击力降低高达30%。

🔬 方法详解

问题定义：精密卡扣装配，例如眼镜镜片安装或电子元件组装，对啮合检测的及时性和力控制的快速衰减提出了很高的要求。现有方法通常依赖外部传感器或复杂的力/力矩控制，成本高昂且难以部署。此外，传统的阻抗控制在卡扣啮合瞬间容易产生较大的冲击力，导致组件损坏或装配失败。

核心思路：本文的核心思路是利用轻量级的神经网络SnapNet，仅通过机器人自身的关节速度信息来实时检测卡扣的啮合状态，从而避免使用外部传感器。同时，设计一个基于动力系统的双臂协调框架，将SnapNet的检测结果与事件触发的阻抗调制相结合，实现在啮合瞬间快速调整阻抗参数，从而减小冲击力，实现柔顺插入。

技术框架：整个框架包含两个主要模块：1) SnapNet啮合检测模块：该模块负责从双臂机器人的关节速度数据中实时检测卡扣的啮合状态。2) 基于动力系统的双臂协调与阻抗控制模块：该模块基于动力系统理论，实现双臂的协调运动，并根据SnapNet的检测结果，触发阻抗参数的调整，从而实现柔顺的卡扣装配。整体流程为：机器人执行装配任务，SnapNet实时监测关节速度，一旦检测到啮合，立即触发阻抗控制模块调整阻抗参数，减小冲击力。

关键创新：最重要的技术创新点在于SnapNet神经网络，它能够在没有外部传感器的情况下，仅通过关节速度信息实现高精度的啮合检测。与传统的力/力矩传感器相比，SnapNet成本更低，部署更简单。此外，将SnapNet与事件触发的阻抗调制相结合，能够更有效地减小冲击力，提高装配成功率。

关键设计：SnapNet是一个轻量级的神经网络，具体结构未知，但强调了其计算效率，使其能够实时运行。阻抗控制模块的关键在于事件触发机制，即只有在SnapNet检测到啮合时，才会触发阻抗参数的调整。具体的阻抗参数调整策略未知，但目标是降低机器人在啮合方向上的阻抗，从而减小冲击力。

📊 实验亮点

实验结果表明，SnapNet能够以超过96%的召回率准确检测卡扣啮合状态。与传统的阻抗控制相比，该方法能够将峰值冲击力降低高达30%。这些结果表明，该方法在精密卡扣装配中具有显著的优势，能够有效提高装配成功率和产品质量。

🎯 应用场景

该研究成果可广泛应用于需要精密装配的领域，如消费电子产品、医疗器械、航空航天等。例如，在智能手机的摄像头模组装配、助听器的微型元件装配、以及飞机发动机的精密部件装配中，该技术能够提高装配效率和产品质量，降低因装配失误造成的损失。未来，该技术有望与更先进的机器人控制算法相结合，实现更智能、更灵活的自动化装配。

📄 摘要（原文）

Delicate snap-fit assemblies, such as inserting a lens into an eye-wear frame or during electronics assembly, demand timely engagement detection and rapid force attenuation to prevent overshoot-induced component damage or assembly failure. We address these challenges with two key contributions. First, we introduce SnapNet, a lightweight neural network that detects snap-fit engagement from joint-velocity transients in real-time, showing that reliable detection can be achieved using proprioceptive signals without external sensors. Second, we present a dynamical-systems-based dual-arm coordination framework that integrates SnapNet driven detection with an event-triggered impedance modulation, enabling accurate alignment and compliant insertion during delicate snap-fit assemblies. Experiments across diverse geometries on a heterogeneous bimanual platform demonstrate high detection accuracy (over 96% recall) and up to a 30% reduction in peak impact forces compared to standard impedance control.